【保姆级教程】LangChain Agent API调用指南：收藏起来慢慢学，零基础打造你的AI智能体

LangChain的“链”式结构存在执行方式不灵活的重大问题。比如我们上篇文章搭建的链封装了天气工具，但如果用户在使用过程中并没有询问相关天气情况，反而提问了“决策树是什么?”类似的机器学习问题，那该链该如何执行呢?面对这种情况大家考虑链中是否要跳过一些节点或者构建不同链满足复杂需求，但很显然这增加了开发复杂度。目前大模型经过迅猛发展已经具备了自动规划对工具串联并联等相关操作的能力，基于此Lang

EnjoyEDU

444人浏览 · 2026-01-14 14:23:41

EnjoyEDU · 2026-01-14 14:23:41 发布

本文详细介绍LangChain Agent API的使用方法，通过create_tool_calling_agent和AgentExecutor快速构建AI智能体。文章以天气助手为例，展示了Agent的并联和串联工具调用能力，并演示如何使用内置搜索工具搭建联网智能体。这些方法充分利用大模型的规划能力，使开发者能灵活组装工具满足复杂需求，是小白入门AI智能体开发的实用教程。

一、LangChain Agent API 简介

LangChain的“链”式结构存在执行方式不灵活的重大问题。比如我们上篇文章搭建的链封装了天气工具，但如果用户在使用过程中并没有询问相关天气情况，反而提问了“决策树是什么?”类似的机器学习问题，那该链该如何执行呢?

面对这种情况大家考虑链中是否要跳过一些节点或者构建不同链满足复杂需求，但很显然这增加了开发复杂度。目前大模型经过迅猛发展已经具备了自动规划对工具串联、并联等相关操作的能力，基于此LangChain在链的基础上抽象出更高级的封装Agent，LangChain对于Agent的定义是“由大模型规划并自由组装各种链来满足用户需求”。更重要的，LangChain还在Agent的基础上封装了更高级的LangGraph（LangGraph类似Multi-Agent多智能体协同的概念，LangChain内容分享完毕后会分享LangGraph的教程）。

从本期内容开始，笔者就为大家分享LangChain Agent API抽象层的相关知识。

二、LangChain快速接入工具搭建智能体

LangChain Agent API的基本使用方法十分简单，下面还是通过天气助手小案例带大家快速上手Agent API的基本使用:

导入相关依赖包并编写查询天气的函数，注意本案例导入create_tool_calling_agent函数和AgentExecutor类，是本节智能体构建内容的关键。

import requests
from langchain.agents import create_tool_calling_agent, tool, AgentExecutor
from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
@tool
def get_weather(loc):
"""
查询即时天气函数
:param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\
:return：心知天气 API查询即时天气的结果，具体URL请求地址为："https://api.seniverse.com/v3/weather/now.json"
返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息
"""
url = "https://api.seniverse.com/v3/weather/now.json"
params = {
"key": "你注册的心知天气api",
"location": loc,
"language": "zh-Hans",
"unit": "c",
}
response = requests.get(url, params=params)
temperature = response.json()
return temperature['results'][0]['now']

构建提示词模板组件和大模型组件（注意提示词模板中的agent提示符），为保证大模型具备更强的Agent能力，本期内容不再使用硅基流动的免费模型Qwen3-8B, 而是使用DeepSeek-V3模型，具体配置大家可参考深入浅出LangChain AI Agent智能体开发教程（一）—认识LangChain&LangGraph。

# 构建提示模版， 提示词模板对于Agent的构建是必须的
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是天气助手，请根据用户的问题，给出相应的天气信息,并具备将结果写入文件的能力"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"), # 这部分agnet提示符写法是写死的不可以修改
]
)
# 使用 DeepSeek 模型
model = init_chat_model(
model='deepseek-chat', # deepseek-chat表示调用DeepSeek-v3模型
model_provider='deepseek',# 模型提供商写deepseek
api_key="你注册的deepseek api key",
)

本项目中不再使用model.bind()绑定模型组件和工具，而是使用create_tool_calling_agent快速构建代理，代码如下:

#定义工具
tools = [get_weather]
# 直接使用`create_tool_calling_agent`创建代理
agent = create_tool_calling_agent(model, tools, prompt)

使用AgentExecutor构建Agent并快速运行代理, 代码和执行结果如下, 可以看到LangChain构建Agent是不是特别简单

# 使用AgentExecutor运行当前Agent
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # Verbose表示是否要打印执行细节
response=agent_executor.invoke({"input":"请问今天北京天气怎么样？"})
print(response)

从执行结果中可以看到LangChain Agent灵活的、全自动的创建了一个chain并invoke执行得到了北京的天气情况，执行结果通过{ input: , output: }格式返回。看到这大家一定会感慨LangChain构建智能体竟然如此简单!

三、LangChain Agent 多工具调用

得益于LangChain Agent API 底层自建了很多优化去引导大模型的工具调用工作，LangChain Agent可以快速准确的调用各种工具，准确性和稳定性也要比单纯使用Function Calling能力要强一些。LangChain Agent可以通过串联，并联以及串并联组合的方式调用工具，下面提供这两种调用方法的示例让大家直观感受LangChain Agnet功能的强大。

3.1 并联调用

如果用户同时询问北京和杭州的天气，LangChain Agent会并联查询两个地方的天气，大家可以修改以上代码的提示词进行尝试：

response=agent_executor.invoke({"input":"请问今天北京和杭州的天气怎么样，哪个城市更热？？"})
print(response)

执行结果如下:

可以看到LangChain 同时调用get_weather工具获取了北京和杭州的天气情况并回答了用户问题，从上面可以看出LangChain Agent执行并联调用的流程如下:

这里给大家设立一个思考题，假如我们还是想通过Chains底层API的方法实现串并联调用该如何设计呢？欢迎大家在评论区和笔者讨论~

3.2 串联调用

如果用户想“查询北京和杭州现在的温度，并将结果写入本地的文件中。”，LangChain该如何执行呢？我们设想LangChain Agent的执行结果如下图:

编写代码验证一下是否正确:

在上述代码中添加写入文件函数write_file()

@tool
def write_file(content):
"""
将指定内容写入本地文件。
:param content: 必要参数，字符串类型，用于表示需要写入文档的具体内容。
:return：是否成功写入
"""
with open('res.txt', 'w', encoding='utf-8') as f:
f.write(content)
return "已成功写入本地文件。"

将write_file函数加入工具列表,并在提示词模板中说明大模型具备写入文件的能力

#定义工具
tools = [get_weather, write_file]
# 构建提示模版， 提示词模板对于Agent的构建是必须的
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是天气助手，请根据用户的问题，给出相应的天气信息,并具备将结果写入文件的能力"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"), # 这部分agnet提示符不需要人工输入，同时也是写死的不可以修改
]
)

调用create_tool_calling_agent创建代理，并使用AgentExecutor执行当前Agent，可以看到LangChain Agent并联搜索得到了北京杭州的天气后，又串联使用文件写入工具把结果写入到res文件中:

# 使用 DeepSeek 模型
model = init_chat_model(
model='deepseek-chat', # deepseek-chat表示调用DeepSeek-v3模型
model_provider='deepseek',# 模型提供商写deepseek
api_key="",
)
# 直接使用`create_tool_calling_agent`创建代理
agent = create_tool_calling_agent(model, tools, prompt)
# 使用AgentExecutor运行当前Agent
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # Verbose表示是否要打印细节信息
response=agent_executor.invoke({"input":"查一下北京和杭州现在的温度，并将结果写入本地的文件中。"})
print(response)

四、LangChain使用内置搜索工具搭建联网搜索智能体

既然LangChain Agent能够快速灵活的调用外部工具, 那调用内置工具的能力更是不在话下，接下来我们通过一个联网搜索功能的内置工具Agent来学习LangChain接入内置工具的方法。（注意； 需要科学上网）

LangChain内置工具可参考官方网站https://python.langchain.com/docs/integrations/tools/ 。本次网络搜索功能我们使用的是Tavily Search这个工具，文档在https://python.langchain.com/docs/integrations/tools/tavily_search/ 。TavilySearch是目前对大语言模型非常友好的搜索工具之一，可以方便地处理文本、图像等不同类型的内容并代入大语言模型进行解析。我们以前分享过的Suna和Google Agent都推荐使用Tavily Search作为联网搜索工具。

执行命令pip install langchain-tavily安装Tavily依赖包

先来测试一下Tavily Search的基本功能, 编写如下代码：

from langchain_community.tools.tavily_search import TavilySearchResults
search = TavilySearchResults(max_results=2)
search.invoke("苹果2025WWDC发布会")

执行结果如下，可以看到Tavily Search输出了两个结果:

4. Tavily Search 接入Agent的流程和上面讲述的相同，这里不加赘述了,完整代码如下：

from langchain.agents import AgentExecutor, create_tool_calling_agent, tool
from langchain_core.prompts import ChatPromptTemplate
from langchain.chat_models import init_chat_model
from langchain_community.tools.tavily_search import TavilySearchResults
search = TavilySearchResults(max_results=2)
tools = [search]
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是一名助人为乐的助手，并且可以调用工具进行网络搜索，获取实时信息。"),
("human", "{input}"),
("placeholder", "{agent_scratchpad}"),
]
)
# 初始化模型
# 使用 DeepSeek 模型
model = init_chat_model(
model='deepseek-chat', # deepseek-chat表示调用DeepSeek-v3模型
model_provider='deepseek',# 模型提供商写deepseek
api_key="你注册的api key",
)
agent = create_tool_calling_agent(model, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
agent_executor.invoke({"input": "请问苹果2025WWDC发布会召开的时间是？"})

执行结果如下, 可以看到LangChain成功执行并通过搜索给出了精确的召开时间:

五、总结

本篇文章分享了LangChain Agent API快速搭建智能体的方法，关键步骤通过create_tool_calling_agent创建模型和工具的Agent，并使用AgentExecutor执行当前Agent。总而言之在当今大模型强大能力的加持下，LangChain Agent API搭建智能体的方法还是非常简单的。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】